2025 年 7 月 10 日，全球 AI 领域再次迎来一场震撼级的技术革新。埃隆·马斯克旗下的 xAI 公司，在这一天正式向世界揭开了其最新一代大型语言模型 —— Grok 4 的神秘面纱。xAI 大胆宣称 Grok 4 是“全球最强大 AI”，并用一系列令人咋舌的基准测试成绩，强有力地支撑了这一论断。
Grok 4 不仅推出了强大的单智能体版本，更带来了突破性的多智能体协作版本 Grok 4 Heavy。在被誉为“人类最后考试”（HLE）的严苛测试中，Grok 4 Heavy 取得了高达 44.4% 的惊人分数（使用工具后更是达到了 50.7%），将此前领先的 Gemini 2.5 Pro（21%）远远甩在身后。不仅如此，Grok 4 在其他多项关键基准测试中也全面刷新榜单，甚至取得了满分成绩：
- GPQA（研究生水平问答）上得分 88.9%；AIME25（美国数学邀请赛）上得分 100%；LCB（Jan-May）上得分 79.4%；HMMT25（数学推理）上得分 96.7%；USAMO25（美国数学奥林匹克竞赛）上得分 61.9%。
面对如此强大的新晋挑战者，302.AI 团队自然不会错过。为了第一时间验证 Grok 4 的真实实力及其在实际应用中的表现，我们已完成了 Grok 4 模型的接入工作。今天将带来一场聚焦 Grok 4 的实测对比，参与此次对决的选手包括：Gemini 2.5 Pro、Claude-opus-4、o3 以及 DeepSeek-R1。究竟 Grok 4 能否如其所言，真正改写 AI 性能的定义？我们拭目以待。
I. 实测对比
各模型所支持的上下文长度一览表：
测评使用工具：302.AI 的模型竞技场与聊天机器人
实测 1：数学能力
提示词：一个箱子里有5个相同的球，分别以1~5标号，从中有放回地取三次，记至少取出一次的球的个数X。则数学期望E(X）=？
题目解析：高考数学填空题，正确答案为61/25 ≈ 2.44
Grok 4 ：答案正确
o3：答案正确
Claude-opus-4：答案正确
Gemini 2.5 pro：答案正确
DeepSeek-R1：答案正确
实测 2：逻辑思维
提示词：如果我现在有两个沙漏：一个可以漏11分钟，另一个可以漏7分钟。请问是否可以用他们计时15分钟？（翻转沙漏所用的时间不计）
题目解析：答案合理即可
参考答案：
（1）同时启动两个沙漏：当7分钟沙漏完成时，11分钟沙漏还有4分钟的沙子未漏完。
（2）立即翻转7分钟沙漏：在这4分钟内，11分钟沙漏会漏完，而7分钟沙漏下面保存了4分钟的沙子。
（3）当11分钟沙漏完成时，立即将7分钟沙漏翻转，以漏完保存的4分钟沙子。
（4）当7分钟沙漏第二次漏完时，总时间为15分钟（7分钟+4分钟+4分钟=15分钟）。
Grok 4：解析合理，答案正确。
o3：答案存在瑕疵，比如按照所提供的解析，“把7分钟的沙漏立刻翻回去”这一动作没意义。
Claude-opus-4：答案不合理，按照所解析的方法需要借助其他工具才能精准控制7分钟的沙漏漏了一分钟，所以答案并不正确。
Gemini 2.5 pro：虽然答案解析过程中存在瑕疵，但总体解析正确，且提供的“更清晰的解法”也是合理的。
DeepSeek-R1：方法合理，答案正确。
实测 3：常识思考
提示词：6.5根筷子共有多少个端头？
题目解析：这里0.5根筷子可以视作半截，即使半截筷子也会有两个端头，正确答案是14。
Grok 4：解释正确，但是答案错误。
o3：回答正确。
Claude-opus-4：解释正确，但是答案错误。
Gemini 2.5 pro：回答正确。
DeepSeek-R1：回答正确。
实测 4：编程测试
提示词：请生成一个跑酷游戏，界面必须包含游戏操作说明，开始游戏按钮
Grok 4：游戏界面较粗糙，障碍物设置不合理，难度过高。
o3：界面简洁，但是整体逻辑没有大问题。
Claude-opus-4：开始游戏后无法响应，给了第一次机会修改代码后依旧无法响应。
Gemini 2.5 pro：界面简洁，障碍物设置难度过高。
DeepSeek-R1：仅展示了静态页面，无任何交互，点击开始游戏无响应跳转。
II. 实测总结
1. 实测结果整理
2. 实测结论
通过本次实测对比，我们对 Grok 4 的实际表现有了较为清晰的认知，并得以总结出以下关键洞察：
首先，Grok 4 在数学推理和逻辑思维方面的表现确实令人印象深刻，展现出卓越的问题解决能力和准确性，印证了其在基准测试中的亮眼成绩。这表明在需要严谨逻辑推导和精确计算的场景中，Grok 4 无疑是一个强劲的竞争者。
然而，在面对涉及复杂常识判断的测试时，Grok 4 却暴露出与 Claude 系列模型相似的局限性：尽管其给出的解释看似逻辑自洽，但最终答案却与事实相悖。这提示我们，在需要高度依赖现实世界知识和微妙语境理解的场景中，仍需保持审慎。
此外，在编程能力测试中，Grok 4 的表现显得中规中矩，未能达到与其在其他领域相匹配的卓越水平。
综合考量其性能表现与潜在的使用成本，我们认为 Grok 4 并非所有场景下的“必选”模型。尽管其在特定领域展现出领先优势，但其在常识和编程方面的不足，以及可能的价格因素，意味着用户在选择时，应根据具体的应用需求和预算，权衡其在特定优势领域的价值，而非盲目追求“最强”之名。选择最适合自身业务场景的模型，才是真正明智的决策。
